fa ارایه یک مدل ترکیبی در پیش بینی بار در بازار برق تجدیدساختار یافته تخصصي Special پژوهشي Research با سمت‎گیری و تغییر ساختار بازار برق از بازار انحصاری دولتی به بازار رقابتی که در آن میزان تقاضا توسط نیروهای بازار تعیین می‎شود، نیاز به طراحی مدلی کارا و مناسب به گونه‎ای که ریسک شرکت در بازار رقابتی برای فعالان بازار برق را در جهت افزایش سودهی آنها کاهش دهد، اهمیت ویژه‎ای یافته است. برای مدلسازی و پیش‎بینی بار در بازار رقابتی باید خصوصیات این کالا از جمله فصلی بودن تقاضا را در نظر گرفت. مدل ایجاد شده در صورتی که بتواند با ایجاد رابطه‎ای از داده‎های قبلی، کمترین خطای پیش‎بینی را داشته باشد، موثرتر و کارآمدتر خواهد بود. در مدل‎های کلاسیک ارایه شده در مساله پیش بینی بار در بازار برق با تنوع تعداد متغیرهای ورودی و عدم پیروی متغیرها از یک مدل سری مشخص، خطای ناشی از پیش بینی افزایش خواهد یافت. در این مقاله با انگیزه دستیابی به کمترین خطای پیش‎بینی و برطرف کردن نواقص روش‎های قبلی، از روشی ترکیبی شبکه عصبی بهبود یافته مبتنی بر ساختار غیر خطی برای آموزش و یادگیری بهتر بر روی مقادیر گذشته بار و استفاده از آن برای اطلاعات آینده و از ایده ترکیبی کلونی مصنوعی زنبور عسل در یافتن بهترین وزن‎ها و بایاس‎ها برای حداقل کردن مربعات خطای پیش‎بینی بهره گرفته شده است. همچنین به منظور مرتب‎سازی داده‎ها و در نظر گرفتن عدم قطعیت در انتخاب بهترین داده‎ها از روش پیشنهادی انتخاباتی با در نظر گرفتن معیار آنتروپی بهره گرفته شده است. به منظور نشان دادن کارایی روش پیشنهادی در حل مساله پیش‎بینی بار در بازار برق در مقایسه با سایر روش‎های اخیر انجام گرفته در این زمینه، از بازار واقعی موجود نیوانگلند استفاده شده است. نتایج نشان از دقت بالا و خطای کمتر در پیش بینی می‎دهد. همچنین الگوریتم هوشمند ارایه شده قابلیت جستجوی محلی و نهایی آن به طور قابل ملاحظه‎ای بهبود یافته است. Accurate load forecasting becomes more and more important for all market participants in competitive electricity markets, which can maximize producers’ profits and consumers’ utilities, respectively. The optimal profit is determined by applying a perfect price forecast. A load forecast with a less prediction errors, yields maximum profits for market players. The numerical electricity load forecasting is high in forecasting errors of various approaches. However, electricity load is a complex signal due to its nonlinearity, non-stationary, and time variant behavior. In spite of much research in this area, more accurate and robust price forecast methods are still required. In this paper, a new hybrid forecast technique based on feature selection technique, Artificial Neural Network (ANN) and Artificial Bee Colony (ABC) model is proposed for load forecasting. The feature selection method is an improved version of the mutual information (MI) technique. The superiority of this proposed method is examined by using the data acquired from New England market. Empirical results show that this proposed method performs better than some of the other price forecast techniques. پیش بینی بار، الگوریتم عصبی فازی، الگوریتم کلونی مصنوعی زنبور عسل، بازار برق، عدم قطعیت load forecasting, neural network, Electricity load classification, Electricity market, mutual information (MI). 19 28 http://ieijqp.ir/browse.php?a_code=A-10-31-5&slc_lang=fa&sid=1 ghasemi.agm@gmail.com 1003194753284600330 1003194753284600330 Yes